Retab samler inn 3,5 millioner dollar og lanserer AI-drevet plattform for å gjøre ustrukturerte dokumenter om til strukturert data

For utviklere som bygger AI-drevne verktøy i bransjer som logistikk, finans og helsevesen, er det en utfordring som stadig står i veien: å få store språkmodeller (LLM) til å pålitelig trekke ut data fra virkelige dokumenter. PDF-fakturaer, 200-siders rapporter, håndskrevne skjemaer og skannede ID-er kan ofte føre til at ellers kraftige AI-systemer feiler.

Retab, et nytt startup-selskap grunnlagt av ingeniører som har møtt denne utfordringen selv, har nettopp lansert for å løse dette problemet. Sammen med den offentlige lanseringen av sin plattform, annonserte selskapet også 3,5 millioner dollar i pre-seed-finansiering ledet av VentureFriends, Kima Ventures, og K5 Global, med deltakelse fra Eric Schmidt (via StemAI), Olivier Pomel (CEO, Datadog (DDOG )) og Florian Douetteau (CEO, Dataiku).

I stedet for å være en annen LLM-leverandør, sitter Retab ett lag over – og tilbyr en utvikler-vennlig plattform for dokument-AI som lar brukerne definere eksakt hvilke data de ønsker å trekke ut, og deretter håndterer hele prosessen: labeling, evaluering, prompt-engineering, modell-benchmarking og routing.

“Folk fortsetter å bygge AI-demos som ser magiske ut, men som bryter sammen i produksjon,” sa Louis de Benoist, medgrunnlegger og CEO av Retab. “Vi bygde Retab fordi vi var lei av å wire opp skjøre rørledninger bare for å trekke ut noen felt fra et dokument. Nå kan utviklere fokusere på skjemaet de ønsker – vi håndterer resten.”

Hva Retab faktisk gjør

I kjernen er Retab en plattform som omgjør ustrukturerte dokumenter – PDF-er, skannede dokumenter, skjemaer – til rene, strukturerte JSON- eller tabell-utdata som utviklere kan plassere i produksjonssystemer. Bygget som en SDK og plattform, abstraherer den bort all kompleksiteten ved å bygge AI-drevne data-uttrekks-arbeidsflyter.

Selskaper som bruker Retab beskriver bare skjemaet til dataene de ønsker. Retab genererer deretter automatisk merket datasett, velger den optimale LLM-en, finjusterer prompene og håndterer feilopptak og om-routing. Den sikrer produksjonsklar nøyaktighet gjennom tre kjerne-innovasjoner:

• Selv-optimerende skjema: Retab bruker en intern AI-agent til å iterativt teste og finjustere uttrekks-instruksjoner ved hjelp av ekte eksempler, og eliminerer dermed behovet for manuell finjustering.
• Intelligent modell-routing: Plattformen er modell-agnostisk og benchmarker automatisk over LLM-er (f.eks. OpenAI, Anthropic, Google ), og router hver dokument til den beste modellen basert på kostnad, hastighet og nøyaktighetskrav. Dette har gjort at noen brukere har kunnet kutte prosesseringkostnadene med opptil 100x.
• k-LLM-konsensus og guidet resonnering: I stedet for å stole på en enkelt modells utgang, tvinger Retab frem skritt-for-skritt resonnering (kjede-av-tenkning) og kjører flere modeller parallelt for å nå en konsensus. Hvis usikkerhet fortsatt foreligger, blir den flagget eller regnet ut på nytt, og gir utviklere tillit til hver enkelt svar.

Denne orkestreringslaget gir utviklere mulighet til å omgjøre feil-utsatte dokument-flyter – som kontrakt-parsing, identitets-verifisering eller faktura-analyse – til skalerbare, selv-korrigerende systemer.

Fra logistikk til infrastruktur

Gründerne bygde opprinnelig Retabs fundament mens de automatiserte interne prosesser for dokument-tyngde operasjoner i logistikk-bransjen. Men da de finjusterte verktøyet, innsett de at verdien langt overgikk noen enkelt brukssak. I dag brukes Retab allerede av dusinvis av selskaper over:

• Logistikk: Parsing av frakt-brev, toll-manifest og leverings-oppføringer
• Finans: Ut trekking av risiko-faktorer og finansielle målinger fra lange rapporter
• Helsevesen: Automatisering av inntaksskjemaer, krav og medisinske journaler

Et transport-selskap brukte Retab til å identifisere den minste, raskeste modell-konfigurasjonen som møtte deres 99% nøyaktighets-krav – og reduserte dermed beregnings-kostnad og latency uten å ofre ytelse. Et finans-selskap kutta flere dager av kvartals-analyse ved å bruke Retab til å trekke ut strukturerte risiko-indikatorer fra investerings-dokumenter.

“AI-økonomien avhenger av å omgjøre ustrukturerte, menneske-leselige dokumenter til strukturerte, verifiserbare data,” sa Florian Douetteau, CEO av Dataiku. “Retab er plattformen som gjør dette mulig i stor skala.”

Ser fremover

Retab utvider nå utover dokumenter: kommende utgaver vil tillate brukerne å trekke ut data fra websider og dynamisk innhold, og åpner dermed døren for brukssaker som konkurranse-analyse, overholdelse-skraping og automatisering av påmelding. Integrasjoner med verktøy som Zapier, n8n og Dify er også på vei, og lar Retab bli en del av eksisterende arbeidsflyter uten å måtte skrive egen kode.

På lang sikt har Retab som mål å bli mellomvare-laget mellom verdens ustrukturerte data og AI-agenter som avhenger av det – enten det er for bedrifts-søk, RPA eller AI-kopiloter.

Tross bare ti ansatte, er Retab allerede anerkjent som en grunnleggende byggestein for utviklere som bygger AI-naturlige produkter – ikke bare en annen leverandør, men et verktøysett for å operasjonalisere den ustrukturerte virkeligheten av virkelige data.